درباره دوره: تحلیل سری‌های زمانی شامل تکنیک‌ها و روش‌هایی است که برای تجزیه و تحلیل، مدل‌سازی و تفسیر داده‌های سری‌های ‌زمانی به منظور شناسایی و کشف الگوها، روندها و روابط درون داده‌های مذکور استفاده می‌شود. این تحلیل‌ها ابزار بسیار قدرتمندی برای توصیف کمی و تجزیه و تحلیل داده‌هایی هستند که در بستر زمان تعریف شده‌ و متشکل از دو جز سیگنال و نویز هستند. دامنه کاربرد این تحلیل‌ها از حوزه‌های اقتصادی، مالی، کسب و کار تا حوزه‌های پزشکی، علوم پایه و مهندسی گسترده است. این درس که یک درس تخصصی مقدماتی در این حوزه است چهار بخش اصلی از مباحث سری‌های زمانی را پوشش می‌دهد. بخش اول مفاهیم پایه‌ای در تحلیل‌های سری‌های زمانی مانند فرایندهای تصادفی و انواع و ویژگی‌های آنها، مانایی و نامانایی و غیره را با تمرکز بر ارائه کاربردی آنها، پوشش می‌دهد. بخش دوم مدلهای سری زمانی تک متغیره را ارائه می‌کند که کاربرد گسترده‌ای در تحلیل و پیش‌بینی رفتار متغیرها بر اساس گذشته آنها دارند. بخش سوم به معرفی ابزارهای مهم و عمومی مورد استفاده در تحلیل‌های سری زمانی مانند ضرایب خودهمبستگی و خودهمبستگی جزئی، معیارهای اطلاعات، آزمون‌های تصادفی، نامانایی و مانایی، هموار سازهای نمایی، فیلترینگ و فیلترهای چرخه‌های تجاری می پردازد. در آخرین بخش پیش‌بینی و تکنیک‌های پیش‌بینی در سری‌های زمانی تک متغیره و همچنین سنجه‌های عمومی ارزیابی درستی پیش‌بینی تدریس میشود. در ارائه این درس با تمرکز بر کاربردی بودن، تلاش شده است با استفاده از مثال‌ها و داده‌های واقعی و توصیف شهودی و مفهومی مباحث و اجرای همه مفاهیم و مدلها در نرم افزار استتا، درک ساده‌ای از موضوعاتی که اغلب پیچیده هستند، برای استفاده کنندگان فراهم شود. مخاطبین این درس کلیه دانشجویان رشته‌های اقتصاد، مالی، مدیریت، کسب و کار، حسابداری و دانشجویان سایر رشته‌ها هستند که در حوزه سری زمانی مطالعه می‌کنند. همچنین این درس به عنوان یک درس مقدماتی و کاربردی در تحلیل‌های سری ‌زمانی تخصصی برای کلیه کارشناسان حوزه‌های اقتصادی، مالی، بانکی و بیمه‌ای و تحلیلگران بازار بورس قابل استفاده است. برای استفاده مناسب از مباحث این درس، آشنایی با اقتصادسنجی عمومی، و درک حداقلی و مقدماتی از فرایندهای تصادفی، معادلات تفاضلی و نرافزار استتا لازم است. البته در طول این درس تلاش شده است برای مخاطبینی که به این مباحث نیاز دارند، توصیف حداقلی از موضوعات مذکور ارائه شود. تحلیل سری‌های زمانی 1: 1 – آموزش مقدماتی STATA – مبانی STATA 2 – آموزش مقدماتی STATA – تحلیل رگرسیون 3 – آموزش مقدماتی STATA – دستورات تکمیلی پس از تخمین 4 – آموزش مقدماتی STATA – نقض فروض کلاسیک 5 – آموزش مقدماتی STATA – تعریف سری‌های زمانی در STATA 6 – مقدمه‌ای بر تحلیل سری‌های زمانی 7 – معادلات تفاضلی 8 – فرایندهای تصادفی 9 – معادلات تفاضلی در استتا 10 – تمرین معادلات تفاضلی- مثال‌های اقتصادی و نیمه عمر 11 – فرایندهای مانا 12 – مانا سازی سرس هاس نامانا 13 – ارگودیسیتی 14 – ضرایب خودهمبستگی و خودهمبستگی جزیی 15 – فرایندهای وایت نویز 16 – فرایندهای میانگین متحرک 17 – مدلهای میانگین متحرک مرتبه 1و 2 18 – فرایندهای خودرگرسیون 19 – مانایی فرایندهای خودرگرسیون مرتبه اول 20 – معادلات مشخصه 21 – فرایندهای خودرگرسیون مرتبه 2 22 – مانایی فرایندهای خودرگرسیون مرتبه 2 23 – مانایی فرایندهای خودرگرسیون با ریشه‌‎های مختلط 24 – کشتاورهای فرایندهای خودرگرسیون مرتبه p 25 – حافظه و وابستگی ضعیف 26 – فرایند گام تصادفی 27 – معکوس پذیری 28 – رویکرد باکس جنکینز در تخمین مدل‌های اریما 29 – معیارهای اطلاعات 30 – آزمون مانایی دیکی-فولر 31 – آزمون مانایی دیکی-فولر تعمیم یافته 32 – آزمون‌های نامامانیی و مانایی تکمیلی 33 – تخمین مدل‌های آریما در استتا 34 – آزمونهای مانایی در استتا 35 – کاربرد رویکرد باکس جنکینز در استتا 36 – تجزیه سری‌های زمانی 37 – هموارسازی 38 – فیلتر کردن سری‌های زمانی 39 – فیلترهای روند و چرخه‌های تجاری 40 – پیش بینی در سری‌های زمانی 41 – پیش بینی با استفاده از مدل‌های آریما 42 – پیش بینی با استفاده از مدل‌های آریما در استتا 43 – پیش بینی با مدل‌های هموارساز نمایی ساده 44 – پیش بینی با مدل‌های هموارساز نمایی هالت 45 – پیش بینی با مدل‌های هموارساز نمایی هالت-وینترز 46 – پیش بینی با مدل‌های هموارساز نمایی در استتا 47 – شاخص‌های ارزیابی پیش بینی